BAB III ANALISIS DAN DESAIN SISTEM
III.1. Analisa Masalah Dinas Kesejahteraan Dan Sosial masih menggunakan Microsoft Word dan juga menggunakan buku besar dalam proses pencatatan dan diagnosa penyakit dan masih disimpan dalam berkas-berkas atau file-file. Tidak adanya database untuk menyimpan data sehingga menyulitkan pihak administrasi dalam mencari data pasien pada Dinas Kesejahteraan Dan Sosial. Hal ini sangat tidak efektif dan efisien. Oleh karena itu, untuk menjawab permasalahan tersebut dibutuhkan sebuah sistem yang dapat mempermudah untuk mendiagnosa suatu penyakit dan mengetahui solusi mengenai penyakit kusta menggunakan metode Perceptron, metode ini digunakan untuk mengetahui bobot dari setiap gejala-gejala yang ada dan berapa persen tingkat kemungkinan terkena penyakit kusta.
III.1.1. Analisa Input Pada saat sebelum sistem ini dirancang, secara umum masyarakat tidak pernah mengetahui bagaimana cara untuk diagnosa penyakit Kusta. Hal yang pertama kali dilakukan adalah dengan datang kedokter atau ke pusat kesehatan (Dinas Kesejahteraan Dan Sosial) yang ada dan menyampaikan keluhan atas gejala yang dialami. Hal inilah yang menjadi masukan bagi dokter untuk mengobati si pasien penderita penyakit Kusta tersebut.
31
32
Gambar III.1. Form Input Data Pasien (Sumber : Dinas Kesejahteraan Dan Sosial) III.1.2. Proses Proses yang dilakukan oleh dokter dalam menangani pasien adalah dengan menginputkan data-data pasien, kemudian memeriksa kondisi fisik dari pasien itu sendiri agar dapat ditemukan sebenarnya penyakit yang dideritanya. Setelah ditemukannya penyakit tersebut, dokter diagnosis penyakit Kusta pada pasien, apakah si pasien menderita penyakit kusta serta memberikan solusi dari penyakit yang dialami pasien.
33
III.1.3. Output Output merupakan hasil dari pengolahan data yang telah diinputkan. Output atau hasil keluaran dari sistem pakar ini adalah apakah seseorang terkena penyakit Kusta atau tidak, serta solusi dari hasil analisa penyakit kusta tersebut. Gambar Output dapat dilihat pada gambar III.2 berikut ini :
Gambar III.2. Hasil Analisa Diagnosa Kusta (Sumber : Dinas Kesejahteraan Dan Sosial)
34
III.1.4. Evaluasi Sistem Berjalan Sistem yang ada saat ini masih menggunakan Microsoft Word dan terkadang masih menggunakan Buku besar dan belum ada database sehingga berkas-berkas masih tersimpan dalam arsip balai pengobatan yang akan menyulitkan proses pencarian data apabila sedang dibutuhkan.Proses pencatatan data pasien memerlukan waktu yang lama karena tidak adanya aplikasi yang menampilkan hasil diagnosis serta penanganannya. Berdasarkan uraian diatas maka penulis akan merancang aplikasi sistem pakar yang bertujuan agar dapat memberikan kontribusi positif dalam hal mengetahui bentuk gejala dari penyakit Kusta. Oleh karena itu penulis merancang sistem pakar diagnosa penyakit Kusta dengan menggunakan Visual Basic 2010 dan SQL Server R2 2008 dan menggunakan metode perceptron. III.2. Penerapan Metode / Algoritma Adapun metode yang dipakai dalam pemecahan masalah dari sistem pakar mendiagnosa penyakit Kusta ini adalah metode Perceptron. Metode Perceptron ini akan digunakan untuk diagnosa penyakit Kusta apakah pasien terkena penyakit Kusta atau tidak. Metode perceptron ini cukup ampuh untuk pengenalan gejalagejala yang terlihat secara fisik pada pasien dengan menggunakan pola khusus dan perhitungan matematis yang akan kita buat untuk proses sample dan testing. Metode ini nantinya yang akan kita pakai untuk mengenali atau diagnosa penyakit Kusta dari gejala fisik yang ditimbulkan oleh pasien itu sendiri.(T. Sutojo) Adapun Rumus Metode Perceptron berikut ini :
y_in = ∑ Xi.Wi
35
Keterangan : input y_in pada neuron Y merupakan penjumlahan dari perkalian neuron-neuron input dengan masing-masing bobot yang bersesuaian.lalu di berikan fungsi aktivasi untuk menghasilkan neuron Y
Sj = ∑ ai . Wji Keterangan : Wji = bobot sambungan dari unit I ke unit j ai=masukan yang berasal dari unit i
Keluaran ini kemudian dibandingkan dengan hasil (target) yang diinginkan. Sehingga dihasilkan keluaran yang sesuai dengan hasil yang diinginkan dengan rumus perubahan bobotnya :
Wjibaru = Wjilama + C (tjp . xjp) ai Keterangan : C = Kecepatan belajar t(jp)= nilai keluaran yang diinginkan unit j setelah diberikan pola p pada lapisan masukan. x(jp)= nilai keluaran yang dihasilkan unit j setelah diberikan pola p pada lapisan masukan. a(i)= masukan yang berasal dari unit i.
36
Contoh Kasus : Jaringan Saraf tiruan untuk melakukan pembelajaran terhadap
fungsi
logika “OR” dengan input biner dan target biner sebagai berikut :
X1 0 0 1 1
X2 0 1 0 1
OR 0 1 1 1
Gunakan algoritma pelatihan delta rule, bila ditentukan nilai learning rate (a) = 0,2 dan bobot awal yang dipilih w1 = 0,1 dan w2 = 0,3 serta fungsi aktivasi yang digunakan adalah fungsi undak biner dengan thershold(θ) = 0,5. Penyelesaian : Epoch ke-1 --------------------------------------------------------------------------------------------------Data ke-1 (x1 = 0 x2= 0 target t=0) w1 = 0,1 dan w2= 0,3 y_in = ∑Xi . Wi = 0.0,1 + 0.0,3 = 0 Fungsi aktivasi : y = {0, jika x< 0,5 {1, jika x>= 0,5 Hasil aktivasi y = 0 Eror =( t - y) = (0 - 0) = 0 w1(baru) = w1(lama) + a( t – y)*x1 = 0,1 + 0,2.0.0 = 0,1 w2(baru) = w2(lama) + a(t – y)*x2 = 0,3 + 0,2.0.0 = 0,3 --------------------------------------------------------------------------------------------------Data ke-2 (x1 = 0 x2= 1 target t=1) w1 = 0,1 dan w2= 0,3 y_in = ∑Xi . Wi = 0.0,1 + 1.0,3 = 0 Fungsi aktivasi : y = {0, jika x< 0,5 {1, jika x>= 0,5 Hasil aktivasi y = 0 Eror =( t - y) = (1 - 0) = 1 w1(baru) = w1(lama) + a( t – y)*x1 = 0,1 + 0,2.1.0 = 0,1 w2(baru) = w2(lama) + a(t – y)*x2 = 0,3 + 0,2.1.1 = 0,5 ---------------------------------------------------------------------------------------------------
37
Data ke-3 (x1 = 0 x2= 0 target t=1) w1 = 0,1 dan w2= 0,5 y_in = ∑Xi . Wi = 1.0,1 + 0.0,5 = 0,1 Fungsi aktivasi : y = {0, jika x< 0,5 {1, jika x>= 0,5 Hasil aktivasi y = 0 Eror =( t - y) = (1 - 0) = 1 w1(baru) = w1(lama) + a( t – y)*x1 = 0,1 + 0,2.1.1 = 0,3 w2(baru) = w2(lama) + a(t – y)*x2 = 0,5 + 0,2.1.0 = 0,5 Data ke-4 (x1 = 1 x2= 1 target t=1) w1 = 0,3 dan w2= 0,5 y_in = ∑Xi . Wi = 1.0,3 + 1.0,5 = 0,8 Fungsi aktivasi : y = {0, jika x< 0,5 {1, jika x>= 0,5 Hasil aktivasi y = 1 Eror =( t - y) = (1 - 1) = 0 w1(baru) = w1(lama) + a( t – y)*x1 = 0,3 + 0,2.0.1 = 0,3 w2(baru) = w2(lama) + a(t – y)*x2 = 0,3 + 0,2.0.1 = 0,5 Lakukan terus menerus sampai epoch diperoleh eror = 0 untuk semua data.Oleh karena itu proses pembelajaran dihentikan dan diperoleh bobot w1 = 0,5 dan w2 = 0,5. Jika sama maka 100% seluruh data benar. Berikut ini adalah tabel gejala dari penyakitKusta. Tabel gejala Kusta dapatdilihat pada gambar III.3 di bawah ini : Tabel III.1. Tabel Gejala Nama
Gejala
Gejala
Gejala
Gejala
Gejala
Gejala
Gejala
Gejala
Target
Pasien
A
B
C
D
E
F
G
H
Nisa
+
+
+
+
-
+
+
-
1
Sari
+
+
-
+
-
-
-
-
1
Rino
+
+
-
-
-
-
-
1
Andi
+
+
+
-
+
-
-
1
Ayu
+
+
-
-
-
+
+
+
1
Rio
-
-
-
-
-
+
+
+
0
38
Andri Karin
-
-
-
-
-
+
+
+
0
-
-
-
-
-
+
+
1
Untuk mengetahui hasil konsultasi penyebab penyakit ini, maka dilakukan pengujian proses konsultasi. Proses pengujian sistem berupa sekumpulan ciri-ciri atau gejala yang dapat dilihat
oleh mata secara langsung pada pasien yang
mengalami masing-masing gejala, dimana diambil berdasarkan hasil pengamatan dan penelusuran. Ciri-ciri atau gejala penyakit kusta dikelompokkan menjadi 8 jenis : -
Gejala A : Bercak Tipis/Panu
-
Gejala B : Bercak-bercak Putih Besar
-
Gejala C: Perlebaran Syaraf Kulit
-
Gejala D : Bintil-bintil merah
-
Gejala E : Alis Rambut Rontok
-
Gejala F : Wajah Tegang/Kaku
-
Gejala G: Panah Tinggi
-
Gejala H : Kelenjar Keringat
-
Dimana untuk gejala A,B,C,D,E,F = “1” merupakan gejala dari penyakit kusta Stadium Lanjut, dan gejala F,G,dan H = “0” adalah gejala dari penyakit Kusta Stadium. Jika Laki-laki = “0” dan Perempuan =”1”.
39
Tabel III.2. Tabel Normalisasi Gejala x1 1 1 0 0 1 0 0 1
x2 1 1 1 1 1 0 0 0
OR 1 1 1 1 1 0 0 1
Keterangan : Nama Pasien = “x1” Gejala = ”x2” Target = “Or” Nilai-nilai parameter jaringan yang ditetapkan yaitu : Learning Rate (a) = 0,2 Bobot Awal o w1 = 0,1 o w2 = 0,3 Fungsi Aktivasi Undak biner Threshold (θ) = 0 Epoch ke-1 --------------------------------------------------------------------------------------------------Data ke-1 (x1 = 1 x2= 1 target t=1) w1 = 0,1 dan w2= 0,3 y_in = ∑Xi . Wi = 1.0,1 + 1.0,3 = 0,4 Fungsi aktivasi : y = {0, jika x< 0,5 {1, jika x> 0,5 Hasil aktivasi y = 0 Eror =( t - y) = (1 - 0) = 1 w1(baru) = w1(lama) + a( t – y)*x1 = 0,1 + 0,2.1.1 = 0,3 w2(baru) = w2(lama) + a (t – y)*x2 = 0,3 + 0,2.1.1 = 0,5 --------------------------------------------------------------------------------------------------Data ke-2 (x1 = 1 x2= 1 target t=1) w1 = 0,3 dan w2= 0,5 y_in = ∑Xi . Wi = 1.0,3 + 1.0,5 = 0,8 Fungsi aktivasi : y = {0, jika x< 0,5 {1, jika x> 0,5 Hasil aktivasi y = 1 Eror =( t - y) = (1 - 1) = 0 w1(baru) = w1(lama) + a( t – y)*x1 = 0,3 + 0,2.0.1 = 0,3
40
w2(baru) = w2(lama) + a (t – y)*x2 = 0,5 + 0,2.0.1 = 0,5 --------------------------------------------------------------------------------------------------Data ke-3 (x1 = 0 x2= 1 target t=1) w1 = 0,3 dan w2= 0,5 y_in = ∑Xi . Wi = 0.0,5 + 1.0,3 = 0,3 Fungsi aktivasi : y = {0, jika x< 0,5 {1, jika x> 0,5 Hasil aktivasi y = 0 Eror =( t - y) = (1 - 0) = 1 w1(baru) = w1(lama) + a( t – y)*x1 = 0,3 + 0,2.1.0 = 0,3 w2(baru) = w2(lama) + a (t – y)*x2 = 0,5 + 0,2.1.1 = 0,7 --------------------------------------------------------------------------------------------------Data ke-4 (x1 = 0 x2= 1 target t=1) w1 = 0,3 dan w2= 0,7 y_in = ∑Xi . Wi = 0.0,3 + 1.0,7 = 0,7 Fungsi aktivasi : y = {0, jika x< 0,5 {1, jika x> 0,5 Hasil aktivasi y = 1 Eror =( t - y) = (1 - 1) = 0 w1(baru) = w1(lama) + a( t – y)*x1 = 0,3 + 0,2.0.0 = 0,3 w2(baru) = w2(lama) + a (t – y)*x2 = 0,7 + 0,2.0.1 = 0,9 --------------------------------------------------------------------------------------------------Data ke-5 (x1 = 1 x2= 1 target t=1) w1 = 0,3 dan w2= 0,9 y_in = ∑Xi . Wi = 1.0,1 + 1.0,9 = 1 Fungsi aktivasi : y = {0, jika x< 0,5 {1, jika x> 0,5 Hasil aktivasi y = 1 Eror =( t - y) = (1 - 1) = 0 w1(baru) = w1(lama) + a( t – y)*x1 = 0,3 + 0,2.0.1 = 0,3 w2(baru) = w2(lama) + a (t – y)*x2 = 0,9 + 0,2.0.1 = 0,9 --------------------------------------------------------------------------------------------------Data ke-6 (x1 = 0 x2= 0 target t=0) w1 = 0,3 dan w2= 0,9 y_in = ∑Xi . Wi = 0.0,3 + 0.0,9 = 0 Fungsi aktivasi : y = {0, jika x< 0,5 {1, jika x> 0,5 Hasil aktivasi y = 0 Eror =( t - y) = (1 - 0) = 1 w1(baru) = w1(lama) + a( t – y)*x1 = 0,3 + 0,2.1.0 = 0,3 w2(baru) = w2(lama) + a (t – y)*x2 = 0,9 + 0,2.1.0 = 0,9 ---------------------------------------------------------------------------------------------------
41
Data ke-7 (x1 = 0 x2= 0 target t=0) w1 = 0,3 dan w2= 0,9 y_in = ∑Xi . Wi = 0.0,3 + 0.0,9 = 0 Fungsi aktivasi : y = {0, jika x< 0,5 {1, jika x> 0,5 Hasil aktivasi y = 0 Eror =( t - y) = (0 - 0) = 0 w1(baru) = w1(lama) + a( t – y)*x1 = 0,3 + 0,2.0.0 = 0,3 w2(baru) = w2(lama) + a (t – y)*x2 = 0,9 + 0,2.0.0 = 0,9 --------------------------------------------------------------------------------------------------Data ke-8 (x1 = 1 x2= 0 target t=1) w1 = 0,3 dan w2= 0,9 y_in = ∑Xi . Wi = 1.0,3 + 0.0,9 = 0,3 Fungsi aktivasi : y = {0, jika x< 0,5 {1, jika x> 0,5 Hasil aktivasi y = 0 Eror =( t - y) = (1 - 0) = 1 w1(baru) = w1(lama) + a( t – y)*x1 = 0,3 + 0,2.1.1 = 0,5 w2(baru) = w2(lama) + a (t – y)*x2 = 0,7 + 0,2.1.0 = 0,7 --------------------------------------------------------------------------------------------------Lakukan terus menerus sampai epoch diperoleh eror = 0 untuk semua data. proses pembelajaran dihentikan dan diperoleh bobot w1 = 0,5 dan w2 = 0,5. Jika sama
Gambar III.3. Grafik Training
42
maka 100% seluruh data benar. Pada data ini berhenti pada epoch ke-4 target dan Output harus sama. Hasil yang diperoleh dapat dilihat pada Gambar III.4 berikut ini :
Gambar III.4. Hasil Training
Jika data target sama dengan network output atau w1(lama) dan w2(baru) maka pasien benar-benar terkena penyakit Kusta. untuk menentukan nilai kemungkinan berapa % terkena penyakit Kusta maka hitung persentase dari data yang sudah ditraining adalah :
43
Bobot lama Bobot baru
x
100%
= 0.5 x 100% = 100% 0.5
Studi Kasus Perceptron : X1 1 1 0 0
X2 1 0 1 0
OR 1 0 0 0
Bila ditentukan nilai learning rate = 0,1 dan bobot awal w1 = 0,2 dan w2 = 0,1 serta fungsi aktivasi dengan thershold = 0,3. Penyelesaian : Epoch ke-1 --------------------------------------------------------------------------------------------------Data ke-1 (x1= 1 x2= 1 target t=1) w1 = 0,2 dan w2 = 0,1 y_in = ∑Xi . Wi = 1.0,2 + 1.0,1 = 0,3 Fungsi aktivasi : y = {0, jika x<0,3 {1, jika x>=0,3 Hasil aktivasi y = 0,3 Eror =(t – y) = (1 - 0,3) = 0,7 W1(baru) = w1(lama) + a(t – y)*x1 = 0,2 + 0,1.0.0 = 0,2 W2(baru) = w2(lama) + a(t – y)*x1 = 0,1+ 0,1.0.0 = 0,1 Data ke-2 (x1=1 x2= 0 target t=0) W1= 0,2 dan w2= 0,1 y_in = ∑Xi . Wi =1.0,2 + 0.0,1= 0,2 Fungsi aktivasi : y= {0, jika x<0,3 {1, jika x>=0,3 Hasil aktivasi y = 0,2 Eror =(t – y) = (0 – 0,2) = 0,2 W1(baru) = w1(lama) + a(t – y)*x1= 0,2 + 0,1.0,2.0,2 = 0,2 W2(baru) = w2(lama) + a(t – y)*x2= 0,1 + 0,1.0,2.0,2 = 0,1 Data ke-3 (x1=0 x2= 1 target t=0) W1= 0,2 dan w2= 0,1 y_in = ∑Xi . Wi =0.0,2 + 1.0,1= 0
44
Fungsi aktivasi : y= {0, jika x<0,3 {1, jika x>=0,3 Hasil aktivasi y = 0 Eror =(t – y) = (0 – 0) = 0 W1(baru) = w1(lama) + a(t – y)*x1= 0,2 + 0,1.0.0= 0,2 W2(baru) = w2(lama) + a(t – y)*x2= 0,1 + 0,1.0.0= 0,1
Data ke-4 (x1=0 x2= 0 target t=0) W1= 0,2 dan w2= 0,1 y_in = ∑Xi . Wi =0.0,2 + 0.0,1= 0 Fungsi aktivasi : y= {0, jika x<0,3 {1, jika x>=0,3 Hasil aktivasi y = 0 Eror =(t – y) = (0 – 0) = 0 W1(baru) = w1(lama) + a(t – y)*x1= 0,2 + 0,1.0.0 = 0,2 W2(baru) = w2(lama) + a(t – y)*x2= 0,1 + 0,1.0.0 = 0,1
45
III.2.1. Flowchart Adapun flowchart metode seperti dibawah ini :
Gambar III.5. Flowchart Sistem Pakar Diagnosa Penyakit Kusta Dengan Menggunakan Metode Perceptron Pada Dinas Kesejahteraan Dan Sosial
46
III.3. Desain Sistem Pada tahap ini akan dilakukan perancangan terhadap sistem yang diusulkan. Adapun perancangan dari sistem ini dapat digambarkan dengan Unified Modelling Language (UML).
III.3.1. Use Case Diagram Use case diagram menggambarkan actor, use case dan relasinya sebagai suatu urutan tindakan yang memberikan nilai terukur untuk aktor.
Gambar III.5. Use Case Diagram Kusta
47
III.3.2. Class Diagram Class diagram menggambarkan struktur statis dari kelas dalam sistem dan menggambarkan atribut, operasi dan hubungan antara kelas. TAMBAH PENGGUNA 1 LOGIN + user_name + password
+ user_id + user_name + password + re-password + Save () + Edit () + Delete () + Clear () + Back To Menu ()
1
+ New Account () + Login () + Exit ()
KONSULTASI 0..* 1..* 1..*
+ Add Gejala () + Reset Gejala () + Proses () + Menu Utama ()
PASIEN + id_pasien + nama pasien + umur_pasien +jenis_kelamin + berat_Badan + alamat_pasien + noTelp_pasien
+ Pilih Gejala + Nama Gejala + Nilai Bobot
1
GEJALA + id_gejala + nama_gejala + nilai bobot
1..*
+ Save () + Edit () + Delete () + Clear () + Menu Utama ()
1..*
+ Save () + Edit () + Delete () + Clear () + Menu Utama ()
Gambar III.6. Class Diagram Kusta
III.3.3. Activity Diagram Activity diagram menggambarkan aktifitas-aktifitas, objek, state, transisi state dan event. Dengan kata lain kegiatan diagram alur kerja menggambarkan perilaku sistem untuk aktivitas.
48
Gambar III.7. Activity Diagram Login
Gambar III.8. Activity Diagram Data Pasien
49
Gambar III.9. Activity Diagram Data Gejala
Gambar III.10. Activity DiagramAccount Manager
50
Inputkan gejala
hasil akan ditampilkan
Gambar III.11. Activity Diagram Konsultasi
III.3.4. Sequence Diagram Sequence diagram menjelaskan interaksi objek yang disusun berdasarkan urutan waktu. Sequence Diagram diagnosa penyakit Kusta dapat digambarkan sebagai berikut :
Gambar III.12. Sequence Diagram Menu Utama
51
Admin
Main form
Form Admin
Proses Login
Halaman Admin
Tampilkan Fom ()
Menu () click form admin
Validasi nama dan password ()
Koneksi Database ()
Invalid () Login sukses ()
Gambar III.13. Sequence Diagram Login
Gambar III.14. Sequence Diagram Menu Admin
52
Gambar III.15. Sequence Diagram Data Pasien
Gambar III.16. SequenceDiagram Data Gejala
53
Gambar III.17. Sequence Diagram Konsultasi
III.3.5. Desain Database Database merupakan kumpulan dari data yang saling berhubungan satu dengan yang lainnya. Untuk merancangnya diperlukan alat bantu, baik menggambarkan relasinya maupun mengoptimalkan rancangan database. 1.
Normalisasi Normalisasi dibuat agar menghasilkan tabel / file yang akan digunakan
sebagai penyimpan data. a. Normalisasi 1NF Tabel III.3. Tabel Normalisasi 1NF -
user_id
-
user_name
-
password
54
-
id_gejala
-
nama_gejala
-
id_pasien
-
nama_pasien
-
umur_pasien
-
jenis_pasien
-
berat_badan
-
alamat_pasien
-
noTelp_pasien
b. Normalisasi 2NF Tabel III.4. Tabel Login user_id
user_name
Password
Tabel III.5. Tabel Gejala id_gejala
nama_gejala
Nilai
Tabel III.6. Tabel Pasien id_pasien
2.
nama_pasien
umur_pa sien
jenis_kel amin
berat_badan
alamat_ pasien
noTelp_pasi en
Desain Tabel Berdasarkan data tersebut di atas, maka struktur tabel data yang terbentuk
adalah sebagai berikut:
55
1. Struktur login, tabel ini memiliki struktur sebagai berikut : Nama Database
: Sistem Pakar Kusta.mdf
Nama Tabel
: tabel_user
Primary Key
: user_id
Tabel tabel_user adalah tabel untuk menyimpan data pengguna dan data login dari si pengguna. Tabel III.7. Struktur Tabel Login Nama Field
Tipe Data
Panjang
Keterangan
user_id
Varchar
20
Id pengguna
user_name
Varchar
20
Nama pengguna
Password
Nchar
15
Password pengguna
2. Struktur gejala, tabel ini memiliki struktur sebagai berikut: Nama Database
: Sistem Pakar Kusta.mdf
Nama Tabel
: tabel_gejala
Primary Key
: id_gejala
Tabel tabel_gejala adalah tabel untuk menyimpan gejala-gejala yang dialami si pasien. Tabel III.8. Struktur Tabel Gejala Nama Field
Tipe Data
Panjang
Keterangan
Id_gejala
Varchar
50
Id gejala
nama_gejala
Varchar
50
Nama gejala
Nilai
Varchar
20
Nilai gejala
3. Struktur gejala, tabel ini memiliki struktur sebagai berikut : Nama Database
: Sistem Pakar Kusta.mdf
Nama Tabel
: tabel_pasien
56
Primary Key
: id_pasien
Tabel tabel_pasien adalah tabel untuk menyimpan data-data pasien saat melakukan pemeriksaan atau konsultasi. Tabel III.9. Struktur Tabel Pasien Nama Field
Tipe Data
Panjang
Keterangan
Id_pasien
Varchar
10
Id pasien
nama_pasien
Varchar
50
Nama pasien
umur_pasien
Nchar
10
Umur pasien
jenis_kelamin
Varchar
20
Jenis kelamin
berat_badan
nchar
10
Berat badan
alamat_pasien
varchar
50
Alamat pasien
noTelp_pasien
varchar
15
No. Telp pasien
III.3.6. Desain User Interface Desain sistem yang penulis lakukan pada sistem pakar diagnosa penyakit Kusta dengan menggunakan metode perceptron dan aplikasi program yang lebih akurat dan sederhana agar lebih mudah dalam pengoperasiannya Adapun tampilan aplikasi sistem pakar diagnosa penyakit Kusta terdiri dari :
57
1.
Tampilan Form Menu Utama Menu Utama
Gambar
x Sistem Pakar Diagnosa Penyakit Kusta Dengan Menggunakan Metode Perceptron
Informasi
Konsultasi Sistem pakar Profil Penulis Admin
Exit Gambar
Gambar
Gambar
Gambar
Gambar III.18. Form Menu Utama 2. Tampilan Form Konsultasi Konsultasi
x Sistem Pakar Diagnosa Penyakit Kusta Dengan
Gambar
Menggunakan Metode Perceptron
Add Gejala Reset Gejala Menu Utama
Konsultasi Pilih Gejala Nama Gejala Nilai Bobot
Nama Gejala
Proses Bobot awal
Hasil Nilai Kemungkinan Terkena Penyakit Kusta Nilai Kemungkinan %
Solusi
58
3. Tampilan Form Tentang Sistem Pakar
59
About Sistem Pakar
Gambar
X
Sistem Pakar Diagnosa Penyakit Kusta Dengan Menggunakan Metode Perceptron
Sistem Pakar
Menu Utama
INFORMASI
Gambar
Gambar
Gambar
Gambar
Gambar III.20. Form Sistem Pakar
4. Tampilan Form Profil Penulis
60
Profil Penulis
Gambar
X
Sistem Pakar DiagnosaPenyakit PenyakitKulit Kusta Dengan Sistem Pakar Mendiagnosa Acne Vulgaris Dengan Menggunakan Metode Perceptron Menggunakan Metode Perceptron Profil Penulis
Menu Utama
Informasi
GAMBAR
Gambar
Nama
:
Tempat & Tanggal Lahir
:
Agama
:
Pekerjaan
:
Jabatan
:
Alamat Kantor
:
Alamat Rumah
:
E-mail
:
Gambar
Gambar
Gambar
Gambar III.21. Form Profil Penulis
5. Tampilan Form Menu Admin x
Menu Admin Gambar
Sistem Pakar Diagnosa Penyakit Kusta Dengan Metode Perceptron
61
Gambar III.22. Form Menu Admin
6. Tampilan Input Login Admin
Sistem Pakar Diagnosa Penyakit Kusta Dengan Menggunakan Metode Perceptron
7. Tampilan Form Input Data Pasien
Gambar
Sistem Pakar Diagnosa Penyakit Kusta Dengan Gambar III.23. Form LoginAdmin Menggunakan Metode Perceptron
ID pasien Save
Alamat Pasien
62
8. Tampilan Form Data Gejala
63
Gambar
Sistem Pakar Mendiagnosa Penyakit Kulit Acne Vulgaris Sistem Pakar Diagnosa Penyakit Kusta Dengan Dengan Menggunakan Metode Perceptron
Menggunakan Metode Perceptron Data Gejala
Save Edit
ID Gejala
:
Nama Gejala
:
Nilai
:
Delete
Clear Menu Admin
ID Gejala
Nama Gejala
Gambar
Gambar
Gambar
Nilai
Gambar
Gambar III.25. Form Data Gejala 9. Tampilan Form Input Tambah Pengguna
Gambar III.26Form Tambah Pengguna
64